駕駛員的疲勞駕駛行為對(duì)交通事故的發(fā)生已經(jīng)造成了嚴(yán)重的影響。本文研究分析駕駛員正常狀態(tài)和疲勞狀態(tài)下的腦電信號(hào)（Electroencephalograph,EEG）。針對(duì)疲勞駕駛狀態(tài)識(shí)別研究中采集的EEG數(shù)據(jù)具有非線性這一特點(diǎn),這使得目前EEG數(shù)據(jù)基于熵特征進(jìn)行疲勞駕駛狀態(tài)識(shí)別研究時(shí)依然存在分類準(zhǔn)確率不理想的問(wèn)題,本文建立了一個(gè)在EEG熵特征的基礎(chǔ)上結(jié)合核主成分分析（Kernel principal component analysis,KPCA）構(gòu)建疲勞駕駛狀態(tài)識(shí)別的模型,提出了相應(yīng)的算法;又針對(duì)疲勞駕駛狀態(tài)識(shí)別的時(shí)間性能問(wèn)題,本文在所使用的算法基礎(chǔ)上又加入了t檢驗(yàn)進(jìn)行進(jìn)一步的研究,提出了不同熵特征以及t檢驗(yàn)結(jié)合KPCA（ENTROPY_TKPCA）的算法,并且在30個(gè)導(dǎo)聯(lián)數(shù)據(jù)上進(jìn)行研究都達(dá)到了理想的效果。主要研究?jī)?nèi)容和創(chuàng)新點(diǎn)如下:（1）針對(duì)現(xiàn)有的疲勞駕駛腦電信號(hào)的熵特征提取方法對(duì)疲勞駕駛狀態(tài)識(shí)別測(cè)試的準(zhǔn)確率不是很理想這一問(wèn)題。本文先是研究了不同熵結(jié)合主成分分析（Principal Component Analysis,PCA）對(duì)EEG數(shù)據(jù)進(jìn)行重... 

【文章來(lái)源】：南昌大學(xué)江西省 211工程院校

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

模型構(gòu)建過(guò)程

第 4章 測(cè)試與結(jié)果分析第 4 章 測(cè)試與結(jié)果分析4.1 實(shí)驗(yàn)環(huán)境及實(shí)驗(yàn)數(shù)據(jù)4.1.1 實(shí)驗(yàn)軟硬件平臺(tái)本文的實(shí)驗(yàn)是在 Windows 10 操作系統(tǒng)，以 MATLAB R2014b 軟件為平臺(tái)的基礎(chǔ)下完成的。本實(shí)驗(yàn)數(shù)據(jù)收集設(shè)備為一套靜態(tài)的模擬駕駛器(北京中育聯(lián)合教學(xué)設(shè)備有限公司，ZY-31D 車輛駕駛模擬器)如圖 4.1 所示，包括 3 塊 24 英寸的顯示器及一套駕駛模擬的軟件教學(xué)系統(tǒng)(ZG-601 V9.2)，被試者使用 32 電極的腦電采集帽，數(shù)據(jù)預(yù)處理軟件使用 Neuroscan 4.5。

選擇 數(shù)據(jù)為 1000Hz 采樣率下的 32 導(dǎo)聯(lián) 600 秒的時(shí)個(gè)電極，本文主要針對(duì)這 30個(gè)電極進(jìn)行實(shí)驗(yàn)兩組實(shí)驗(yàn)，因?yàn)楸敬螌?shí)驗(yàn)個(gè)體為 25 個(gè)，隨機(jī) 個(gè)人作為另一組，取不同數(shù)量的樣本數(shù)也是為驗(yàn)結(jié)果的影響，但限于數(shù)據(jù)有限，所以只分人的部分?jǐn)?shù)據(jù)，每個(gè)人 60 秒（靜息狀態(tài)下前成一個(gè) 600×30 的數(shù)據(jù)矩陣，如圖 4.2 所示；的部分?jǐn)?shù)據(jù)，每個(gè)人 60 秒（靜息狀態(tài)下前 3一個(gè) 900×30 的數(shù)據(jù)矩陣，如圖 4.3 所示。目實(shí)驗(yàn)的運(yùn)算時(shí)間，以及 30 秒并不算很少的數(shù)據(jù)況進(jìn)行了測(cè)試，但是在后續(xù)的實(shí)驗(yàn)中我們會(huì)增）來(lái)進(jìn)行測(cè)試。

【參考文獻(xiàn)】：
期刊論文
[1]汽車疲勞駕駛客觀監(jiān)測(cè)方法分析[J]. 楊云皓.  科學(xué)咨詢(教育科研). 2018(11)
[2]結(jié)合非線性全局特征和譜特征的腦電情感識(shí)別[J]. 孫穎,馬江河,張雪英.  計(jì)算機(jī)工程與應(yīng)用. 2018(17)
[3]基于腦電信號(hào)的疲勞駕駛狀態(tài)研究[J]. 陳驥馳,王宏,王翹秀,化成城,劉沖.  汽車工程. 2018(05)
[4]一種基于駕駛員生理信號(hào)的非接觸式駕駛疲勞檢測(cè)技術(shù)[J]. 王琳,張陳,尹曉偉,付榮榮,王宏.  汽車工程. 2018(03)
[5]基于PCA多導(dǎo)聯(lián)的癲癇腦電信號(hào)分類及致癇灶定位研究[J]. 李冬梅,爾西丁·買買提,楊日東,陳子怡,田翔華,董楠,張洋,周毅.  生物醫(yī)學(xué)工程研究. 2017(03)
[6]駕駛疲勞的理論分類及影響因素[J]. 李曉峰,馬錦飛.  決策探索(下半月). 2017(08)
[7]基于級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的疲勞檢測(cè)[J]. 趙雪鵬,孟春寧,馮明奎,常勝江.  光電子·激光. 2017(05)
[8]小波包特征能量算子與多核函數(shù)組合KPCA的聲目標(biāo)識(shí)別[J]. 曾番,黃文龍,夏偉鵬,馮卉.  電光與控制. 2017(04)
[9]抑郁癥靜息腦電的小波包節(jié)點(diǎn)功率譜熵分析[J]. 蓋淑萍,劉欣陽(yáng),劉軍濤,孔壯,徐聲偉,蔡新霞.  傳感器與微系統(tǒng). 2017(03)
[10]基于眼部特征的疲勞駕駛辨識(shí)方法研究[J]. 劉志強(qiáng),宋雪松,汪彭,周桂良.  重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)). 2016(10)

博士論文
[1]抑郁癥靜息態(tài)功能腦網(wǎng)絡(luò)異常拓?fù)鋵傩苑治黾胺诸愌芯縖D]. 郭浩.太原理工大學(xué) 2013

碩士論文
[1]基于經(jīng)驗(yàn)?zāi)B(tài)分解的多尺度熵在疲勞駕駛前額腦電特征抽取方法上的研究[D]. 劉超.南昌大學(xué) 2018
[2]基于運(yùn)動(dòng)想象EEG信號(hào)的特征提取研究[D]. 林文通.南京郵電大學(xué) 2017
[3]基于心電信號(hào)的駕駛疲勞識(shí)別方法研究[D]. 牛琳博.西南交通大學(xué) 2017
[4]基于人臉特征的駕駛員疲勞檢測(cè)算法與實(shí)現(xiàn)[D]. 黃斌.南京航空航天大學(xué) 2017
[5]基于腦電信號(hào)疲勞狀態(tài)分析及其采集分析系統(tǒng)設(shè)計(jì)[D]. 郭翠娜.燕山大學(xué) 2016
[6]腦信號(hào)的熵分析方法研究[D]. 郭迪.南京郵電大學(xué) 2016
[7]運(yùn)動(dòng)想象腦電信號(hào)特征提取與分類研究[D]. 丁曉慧.杭州電子科技大學(xué) 2016
[8]基于眼動(dòng)與脈搏信息融合的駕駛疲勞識(shí)別算法研究[D]. 李發(fā)權(quán).山東大學(xué) 2015
[9]基于EEG信號(hào)的腦力疲勞檢測(cè)方法的研究[D]. 潘屏萍.廣西大學(xué) 2014
[10]駕駛疲勞腦電信號(hào)的非線性動(dòng)力學(xué)分析[D]. 劉苗苗.陜西師范大學(xué) 2011



本文編號(hào)：3092235